下载掌阅APP，畅读海量书库
立即打开
我们非常幸运地见证了AlphaGo、ChatGPT等令人激动的人工智能技术的突破。不可否认，人工智能已经像手机、电力、网络一样融入每个人的工作和生活，进入各个行业。人工智能从早期在互联网企业的推荐、广告、搜索等场景中大放光彩，发展到在视觉、安防、金融等领域落地，再到今天走入交通、制造、生命科学等领域，并在排工排产、自动驾驶等场景中崭露头角。
作为计算机科学的一个重要领域，机器学习也是目前人工智能领域非常活跃的分支之一。机器学习通过分析海量数据、总结规律，帮助人们解决众多实际问题。随着机器学习技术的发展，越来越多的企业将机器学习技术作为核心竞争力，并运用在实际业务中。
但是，机器学习应用落地并非一件轻松的事情，AI开发者往往需要面对各个环节的挑战。这些环节包括目标定义、数据收集、数据清洗、特征提取、模型选择、模型训练、模型部署和模型监控等，其中任何一个环节出现失误，都可能影响算法和策略在最终业务中落地的效果，造成成倍的损失。反过来看，利用工程化技术去优化模型的自学习能力，能让模型保持持续更新、迭代和演进，随着数据和业务的变化不断进行自适应，避免衰退，始终保持在最佳状态，为业务场景带来更好的效果、更多的价值。
除了效果之外，机器学习应用的开发效率也是阻碍落地的关键因素。像Google这样的互联网领头羊企业，其AI科学家与AI工程师也常常会遇到“开发一周，上线三月”的情况。因此需要针对每个模型花费数月时间进行正确性排查，覆盖模型鲁棒性、数据时序穿越、线上线下一致性、数据完整性等各个维度。
从团队协作角度来看，数据、模型、算法的开发和部署需要不同的技能和知识，需要团队敏捷地进行沟通和协作。因此，建设一种可以在任何时间、任何环境被信任的团队合作模式、沟通渠道以及反馈机制，形成一个如敏捷迭代、Kubernetes一样的事实标准，可方便AI工程师敏捷、快速地上线AI应用。
除了效果和效率两个AI开发者所关注的维度外，成本、人才、安全也是机器学习应用开发落地时需要权衡的。
● 成本：无论软件、硬件成本还是人力成本，企业需要在落地AI应用的效益和成本之间进行权衡，确保投入产出比是可行的，而这要求开发者对成本和产出有更加精准的预测和判断。
● 人才：人才短缺是一个普遍问题，哪怕是在硅谷、中关村等科技人才聚集地，具备机器学习和软件开发能力的人也是供不应求的。开发者需要更好地精进技能，规划好AI工程化的技能树和学习路径，把自己变成有竞争力的人才。
● 安全：几乎所有的企业都会要求AI应用背后的数据、算法和模型符合法规和标准。开发者需要确保AI应用和系统不会向企业外部泄露数据，不让非法的攻击侵入并影响业务系统。
正是在这样的背景下，MLOps快速成为机器学习生产落地中不可或缺的关键能力。构建一个靠谱、永远可以信任、从容应对新技术演进的机器学习系统，匹配让AI开发者高效且省心省力的机器学习应用开发流程，成为当前机器学习领域面临的极为关键的问题之一。
作为当今企业和研究人员关注的热点领域，MLOps相关的知识和实践仍然相对分散，因此，迫切需要一本系统化介绍MLOps实践方法的书籍，这也正是我们撰写本书的动力所在。我们希望本书能够：
● 梳理MLOps的核心概念和方法，帮助读者全面了解MLOps的基本原理；
● 提供实用的案例分析和操作指南，使读者能够在实际项目中应用MLOps，提高工作效率；
● 针对不同规模的企业和团队，给出相应的MLOps最佳实践，帮助它们量身定制MLOps策略；
● 探讨MLOps的未来发展趋势，以及如何将新技术方向（如人工智能伦理、可解释性等）融入MLOps实践。
我们深知MLOps实践的推广和普及需要时间和努力，希望本书可以为研究人员提供全面、系统和实用的指南，以便他们在实际应用中构建可靠、高效和稳健的机器学习模型，实现业务价值最大化。
本书是一本面向MLOps的工程实践指南，旨在帮助读者了解如何在实际工作中应用MLOps技术。本书介绍了不同的主流工具和技术，这些工具和技术可以帮助构建可靠、可重复使用和可扩展的机器学习模型。通过实际案例，读者可以更好地理解这些工具和技术的用途和优缺点，以及如何将它们应用于实际项目。
本书内容如下。
第1章系统地介绍MLOps出现的背景，给出MLOps的定义和内涵，然后比较MLOps和DevOps及其他XOps的异同，帮助读者对MLOps有较全面的了解。
第2章介绍MLOps涉及的几种角色，包括产品经理、数据科学家、数据工程师、机器学习工程师、DevOps工程师、IT运维工程师等，并分析AI科学家与AI工程师协作中容易出现的问题及其解决办法。
第3章重点介绍机器学习项目涉及的相关概念和问题，并以全局视角解读机器学习项目的全流程，探讨在这个过程中MLOps需要解决的痛点问题，为后续深入学习MLOps方法论和工具做准备。
第4章重点介绍MLOps中有关数据的内容，介绍什么是以数据为中心，以数据为中心的人工智能与以模型为中心的人工智能有什么区别，MLOps中数据的生命周期是什么样的，数据架构是如何演进的，主要的数据问题是什么以及应该如何解决。
第5章结合机器学习难以落地在工程层面存在的问题，介绍MLOps领域出现的通用流水线工具以及如何帮助提升MLOps流程的串联效率，并重点介绍两个典型的流水线工具：Airflow和MLflow。
第6章主要介绍MLOps中特有的特征平台，从特征平台的起源、作用、现状以及未来趋势，分析当前的几个主流商业产品和相关的开源项目，让读者对特征平台有一个全面的了解，同时对如何挑选特征平台给出一些建议。
第7章从构建企业级实时特征平台的方法论出发，讲述线上线下一致性的重要性，以及所带来的工程化挑战；基于开源的机器学习数据库OpenMLDB，深入介绍如何践行线上线下一致性；通过案例演示，带领读者了解OpenMLDB的基本使用方法。
第8章从机器学习模型落地的挑战开始，引出对Adlik推理工具链的介绍，包括Adlik架构、端到端模型推理优化实践等，帮助读者全方位了解如何利用Adlik构建完整的机器学习推理方案。
第9章以业界领先的某国际知名云服务提供商开发的SageMaker为例，介绍这种全家桶式服务是如何帮助客户应对大规模机器学习业务开发所带来的挑战的。
第10章通过信用卡交易反欺诈系统、推荐系统案例来展示MLOps在不同场景下的挑战和解决思路，帮助读者更好地理解和应用MLOps。
第11章以网易云音乐实时模型应用为例，介绍网易云音乐FeatureBox在特征工程上如何解决特征开发效率、特征数据准确性、特征读写性能、使用资源大小等一系列问题。
第12章以小米广告机器学习平台实践为例，介绍小米如何将机器学习开发流程抽象化、工具化、系统化、平台化，从而提升算法迭代效率，并不断提升算法效果。
第13章介绍腾讯金融业务推荐系统建设的方法，包括如何围绕业务增长、用户体验优化和效率提升等关键目标，应用大数据和机器学习技术，以数据驱动方法推动各个业务目标的迭代实现。
第14章介绍众安金融的MLOps建设背景和整体的实施思路，同时重点介绍实时特征平台的架构设计、实时特征计算的实现方式，以及特征平台如何支持反欺诈场景的特征应用。
第15章介绍MLOps成熟度模型，然后介绍谷歌、微软及信通院对MLOps成熟度模型的划分方式，让读者对MLOps在业内的发展有更全面的了解。
本书旨在帮助读者掌握MLOps技术，从而构建可靠、可重复使用和可扩展的机器学习工作流程。我们更加强调实践和操作，通过示例来帮助读者更好地理解并应用这些技术和工具。
本书适用的读者对象如下。
● 数据科学家和AI研究人员：希望了解如何将自己的模型和算法更有效地部署到实际生产环境，提高工作效率和质量。
● 机器学习工程师和DevOps工程师：想要掌握MLOps的最佳实践，以便在组织内更好地支持AI和ML项目的开发、部署与维护。
● 产品经理和业务负责人：希望了解MLOps的概念和实践，以便更好地推动组织内AI和ML项目的落地，提高项目成功率和产出价值。
● 教育者和学者：在教学和研究过程中需要掌握MLOps的理论和实践知识，以便为学生和咨询者提供指导。
若本书中有描述不到位或错误的情况，恳请读者批评指正，意见可发送至邮箱startogether2022@163.com。
在本书撰写过程中，我深深地感到，要想打造完美的内容，个人的力量是远远不够的。在这里，我要感谢所有为本书写作提供帮助的人，感谢我的同事、家人和朋友，他们一直支持并鼓励我完成写作。
感谢所有致力于MLOps领域的人，他们的努力为这个领域的发展做出了重要贡献。
郑曌
第四范式技术副总裁